Warum das wichtig ist

Organisationen führen KI selten planvoll ein. Ein Team kauft ein Werkzeug, ein anderes baut einen Prototyp, ein Anbieter schaltet eine Funktion ein. Jede Entscheidung ergibt lokal Sinn. Zusammen bilden sie einen Bestand, den niemand entworfen hat: doppelte Werkzeuge, uneinheitliche Kontrollen, unklare Verantwortung und Kosten, die auf Rechnungen auftauchen. Wenn etwas schiefgeht, weiß niemand, wer verantwortlich ist. Wenn etwas gut läuft, kann es niemand wiederholen.

Ein Betriebsmodell ist die Antwort auf „Wie arbeiten wir als Organisation mit KI?“. Es beschreibt Rollen und Verantwortlichkeiten, wie Entscheidungen getroffen, wie Arbeit finanziert, wie Systeme gebaut oder gekauft und am Laufen gehalten werden und wie Menschen lernen. Es muss nicht groß sein. Das Modell einer kleinen Organisation kann auf eine Seite passen. Entscheidend ist, dass die Fragen Antworten haben.

Der Bedarf ist bei KI schärfer als bei vielen anderen Technologien, weil sich KI-Systeme ändern: Modelle werden von Anbietern aktualisiert, Daten verschieben sich, Verhalten driftet. Sie brauchen fortlaufende Pflege, wie ein Produktteam sie leistet, kein Projekt, das beim Start endet. Dieses Thema beschreibt die Hauptelemente eines KI-Betriebsmodells und die dazugehörigen Fähigkeiten. Es baut auf Produktverantwortung (Thema 2.8 — Produkt- und Service-Verantwortung), KI-Governance (Thema 5.6 — KI-Governance, Risiko und Compliance) und Finanzmanagement (Thema 4.5 — Finanzmanagement und FinOps) auf und verbindet sich mit organisatorischem Wandel (Thema 8.3 — Organisatorischer Wandel und Akzeptanz).

Kernkonzepte

Betriebsmodell. Eine Beschreibung, wie eine Organisation Wert liefert: ihre Struktur, Prozesse, Menschen, Technologie und Governance. Wikipedia beschreibt Operating models. Ein KI-Betriebsmodell ist der Teil, der abdeckt, wie KI ausgewählt, finanziert, gebaut oder gekauft, betrieben, gesteuert und verbessert wird.

KI als Produkt. Ein KI-System hat Nutzer, einen Zweck, ein Backlog, Kosten und einen Lebenszyklus. Behandeln Sie es als Produkt mit verantwortlicher Person, wie in Thema 2.8 — Produkt- und Service-Verantwortung beschrieben. Die verantwortliche Person ist für Ergebnisse, Daten, Qualität und Risiko rechenschaftspflichtig und dafür, zu entscheiden, wann es verbessert oder stillgelegt wird.

Lebenszyklus. Die Stufen umfassen eine Chance erkennen, Wert und Risiko bewerten, bauen oder kaufen, testen, bereitstellen, betreiben und überwachen, verbessern und stilllegen. Machine Learning Operations (MLOps), auf Wikipedia beschrieben, wendet technische Disziplin auf den Lebenszyklus von Modellen an: Versionierung, Bereitstellung, Monitoring und Neutraining. Bei Anbietermodellen gelten dieselben Stufen mit weniger technischen Teilen und mehr Vertrag und Monitoring.

Rollen. Typische Rollen sind ein Sponsor auf Führungsebene, eine KI-Product-Owner für jedes System, Engineers, die es bauen und betreiben, Datenverantwortliche für die genutzten Daten, ein Partner für Sicherheit und Datenschutz, eine Rechtsberatung und die Menschen, die es nutzen und die davon betroffen sind. Kleine Teams kombinieren Rollen. Benennen Sie sie und machen Sie klar, wer entscheidet.

Unterstützendes Team oder Center of Excellence. Eine kleine Gruppe, die anderen Teams hilft, KI gut zu nutzen: Sie bietet Anleitung, Vorlagen, genehmigte Werkzeuge, Schulung und Prüfung für riskantere Nutzungen. Wikipedia beschreibt Centers of excellence. Das Risiko ist, dass es zum Engpass oder zur Schranke wird. Ein gutes macht den sicheren Weg zum leichten und arbeitet mit Teams, nicht für sie.

Zentrale, föderierte und eingebettete Modelle. In einem zentralen Modell baut und betreibt ein Team KI für alle. In einem eingebetteten Modell macht jedes Produktteam sein eigenes. Ein föderiertes Modell verbindet gemeinsame Plattformen und Standards mit lokaler Verantwortung. Die meisten Organisationen landen bei einer föderierten Mischung. Wählen Sie nach Umfang der Nutzung, verfügbaren Fähigkeiten und Risiko.

Bauen, kaufen oder konfigurieren. Jede KI-Nutzung kann selbst gebaut, als Produkt gekauft oder aus einem Modell und Ihren eigenen Daten zusammengesetzt werden. Wikipedia beschreibt Make-or-buy-Entscheidungen als Form der Kosten-Nutzen-Analyse. Berücksichtigen Sie Gesamtkosten, das Risiko der Abhängigkeit von einem Anbieter, Datenkontrolle, Tempo und die Fähigkeiten, die Sie bräuchten. Siehe Thema 3.14 — Lieferantenmanagement.

Finanzierung. Finanzieren Sie KI-Systeme, wo sie wichtig sind, als Produkte mit beständigen Teams, nicht als einmalige Projekte. Beziehen Sie Betriebskosten ein, etwa Nutzungsgebühren, Hosting, Monitoring und Support. Verfolgen Sie Kosten je Anwendungsfall und je Ergebnis. Siehe Thema 4.5 — Finanzmanagement und FinOps.

Plattformen und gemeinsame Services. Gemeinsame Komponenten, etwa ein genehmigtes Modell-Gateway, eine Bibliothek für Prompts und Skills, ein Bewertungsgerüst, ein Datenkatalog und Logging, verringern doppelten Aufwand und erleichtern die Kontrolle. Siehe Thema 5.7 — KI-Skills und Prompts.

Datengrundlagen. KI hängt von Daten ab, die korrekt, zugänglich und gesteuert sind. Viele KI-Initiativen bleiben an Daten hängen, nicht an Modellen. Siehe Thema 7.2 — Datengrundlagen und Data Governance.

Fähigkeiten und Kompetenz. Menschen brauchen eine Bandbreite an Fähigkeiten: zu verstehen, was KI kann und was nicht (oft KI-Kompetenz genannt, eine Form der digitalen Kompetenz, die Wikipedia als Digital literacy beschreibt), klare Prompts zu schreiben und Ergebnisse zu prüfen, Risiko zu bewerten, Systeme zu bauen und zu testen und Daten zu steuern. Verschiedene Rollen brauchen verschiedene Tiefe. Wikipedia beschreibt Upskilling und Retraining als Ansätze, Fähigkeiten aufzubauen.

Lernen durch Tun. Fähigkeiten wachsen am meisten durch Praxis an realer Arbeit mit Feedback, gestützt durch kurze Schulung und Beispiele. Praxisgemeinschaften (Communities of Practice), auf Wikipedia beschrieben, helfen Menschen, zu teilen, was funktioniert. Paaren Sie erfahrene und neue Nutzer. Siehe Thema 8.5 — Lernpfade und Zertifizierung.

Auswirkung auf Menschen und Rollen. KI verändert Aufgaben und in manchen Rollen die Zahl der benötigten Menschen. Wikipedia beschreibt Technological unemployment als lange diskutierte Sorge. Seien Sie ehrlich zu Mitarbeitenden über Absichten, beziehen Sie sie in die Gestaltung ein und planen Sie Umsetzung und Umschulung. Siehe Thema 8.3 — Organisatorischer Wandel und Akzeptanz.

Wert und Ergebnisse. Definieren Sie das Ergebnis, das jedes KI-System verbessern soll, etwa Zeit bis zur Lösung, Qualität oder Nutzerzufriedenheit, mit einer Basislinie und einer Messmöglichkeit. Wikipedia beschreibt Return on investment und seine Grenzen. Hüten Sie sich vor Einsparschätzungen, die „gesparte“ Zeit zählen, die nie neu eingesetzt wird.

Standards und Absicherung. Frameworks wie ISO/IEC 42001 und das NIST AI Risk Management Framework beschreiben Elemente eines Managementsystems, die ein Betriebsmodell abdecken sollte. Siehe Thema 5.6 — KI-Governance, Risiko und Compliance.

Pilotphasen und Skalierung. Machbarkeitsnachweise (Proofs of Concept) sind billig und oft beeindruckend. Bei der Skalierung treten Probleme auf: Datenqualität, Integration, Sicherheit, Kosten und Support. Wikipedia beschreibt Proofs of concept. Planen Sie den Weg von der Pilotphase in die Produktion von Anfang an, einschließlich wer sie betreibt.

Wie die Blickwinkel passen. Das Betriebsmodell organisiert den KI-Blickwinkel. Agile Praxis legt beständige Produktteams und kurze Erprobungen nahe. Automatisierung und Analytik sind Nachbarn: Automatisierung wirkt auf KI-Ausgaben, Analytik liefert die Daten und Kennzahlen.

Bewährte Praktiken

  1. Behandeln Sie jedes wichtige KI-System als Produkt. Benennen Sie eine verantwortliche Person, ein Team, ein Backlog, ein Budget und einen Lebenszyklus, einschließlich Stilllegung. Überprüfen Sie Wert und Risiko jedes Systems regelmäßig.
  2. Schreiben Sie Rollen und Entscheidungsrechte auf. Sagen Sie, wer fördert, wer jedes System verantwortet, wer riskantere Nutzungen genehmigt und wer eine stoppen kann. Halten Sie es auf einer Seite.
  3. Richten Sie ein kleines unterstützendes Team ein. Geben Sie ihm das Mandat, Anleitung, Werkzeuge, Schulung und Prüfung bereitzustellen, und messen Sie es daran, wie viel es Teams hilft, nicht daran, wie viele Schranken es betreibt.
  4. Wählen Sie bauen, kaufen oder konfigurieren anhand von Belegen. Vergleichen Sie für jeden Fall Gesamtkosten, Risiko, Datenkontrolle, Tempo und Fähigkeiten. Halten Sie die Entscheidung fest und überprüfen Sie sie, wenn sich die Umstände ändern.
  5. Finanzieren Sie Betriebskosten von Anfang an. Budgetieren Sie Nutzungsgebühren, Monitoring, Support und Verbesserung, nicht nur den Bau. Verfolgen Sie Kosten je Anwendungsfall und je Ergebnis.
  6. Stellen Sie gemeinsame Plattformen bereit. Bieten Sie genehmigte Werkzeuge und gemeinsame Services für Zugriff, Logging, Bewertung sowie Prompts und Skills. Machen Sie den genehmigten Weg schneller als die Umgehung.
  7. Investieren Sie in Daten. Benennen Sie Datenverantwortliche, beheben Sie Qualitätsprobleme, die Anwendungsfälle blockieren, und dokumentieren Sie Quellen. Beginnen Sie mit den Daten, die die ersten Anwendungsfälle brauchen.
  8. Bauen Sie Fähigkeiten nach Rolle auf. Bieten Sie kurze, praktische Schulung für alle, tiefere Schulung für Bauende und Verantwortliche und Zeit, an realen Aufgaben zu üben. Schaffen Sie Orte, um zu teilen, was funktioniert.
  9. Seien Sie ehrlich zu den Menschen. Sagen Sie, was Sie für Rollen und Stellenzahl beabsichtigen, beziehen Sie Mitarbeitende in die Gestaltung neuer Arbeitsweisen ein und unterstützen Sie die, deren Arbeit sich ändert.
  10. Planen Sie den Weg von der Pilotphase in die Produktion. Entscheiden Sie vor einer Pilotphase, was Erfolg ist, wer sie betreiben würde, welche Kontrollen sie braucht und was sie im großen Maßstab kosten würde. Stoppen Sie Pilotphasen, die diese Prüfungen nicht bestehen können.

Fragen für die Diskussion im Team

Wer verantwortet jedes KI-System, das wir nutzen, und wer entscheidet, wann es geändert oder gestoppt wird? Nutzen Sie das Inventar. Rechnen Sie mit Lücken. Weisen Sie anschließend Verantwortliche zu und halten Sie Entscheidungsrechte für die drei wichtigsten Systeme fest.

Was soll eine zentrale KI-Gruppe für uns tun, und was muss bei jedem Team bleiben? Besprechen Sie Hilfe gegenüber Kontrolle. Rechnen Sie mit verschiedenen Ansichten zwischen denen, die Standards wollen, und denen, die Tempo wollen. Listen Sie anschließend drei Services auf, die die Gruppe bereitstellen soll.

Haben wir bei unserem letzten KI-Kauf oder -Bau Optionen verglichen, und was würden wir heute entscheiden? Schauen Sie in die Entscheidungsaufzeichnung. Rechnen Sie mit wenig. Vereinbaren Sie anschließend eine kurze Vorlage für Entscheidungen zu bauen, kaufen oder konfigurieren.

Was sind die laufenden Kosten unserer KI-Nutzungen, und wer zahlt sie? Bitten Sie um Zahlen. Rechnen Sie mit Unbekanntem, besonders bei Nutzungsgebühren. Wählen Sie anschließend einen Anwendungsfall und erstellen Sie eine Kostenschätzung.

Welche Fähigkeiten brauchen Menschen, um KI in ihrer Arbeit gut zu nutzen, und wie erwerben sie sie? Fragen Sie nach Rolle. Rechnen Sie mit Lücken beim Prüfen und beim Verstehen von Grenzen. Planen Sie anschließend eine Übungssitzung an realen Aufgaben.

Was haben wir Mitarbeitenden darüber gesagt, wie KI ihre Arbeit verändern wird, und glauben sie es? Fragen Sie Mitarbeitende direkt. Rechnen Sie mit Sorge. Vereinbaren Sie anschließend, was Führungskräfte ehrlich sagen können und was sie tun werden, um Menschen zu unterstützen.

In der Praxis: ein Beispiel aus dem Service-Management

Eine nationale Umweltschutzbehörde hat 30 KI-Nutzungen, verteilt über ihre Abteilungen: Chat-Assistenten, ein Modell, das ungewöhnliche Sensorwerte markiert, ein Werkzeug, das Rückmeldungen aus Konsultationen zusammenfasst, und mehrere Pilotphasen von Forschungsgruppen. Ein neuer Chief Digital Officer stellt fest, dass drei Abteilungen für ähnliche Transkriptionsservices zahlen, dass zwei Pilotphasen seit über einem Jahr ohne Entscheidung laufen und dass niemand sagen kann, was die Behörde für KI ausgibt.

Sie bildet ein kleines unterstützendes Team aus vier Personen, aus IT, Daten, Sicherheit und Recht. Seine erste Aufgabe ist das Inventar, in einem Monat abgeschlossen. Seine zweite ist ein einseitiges Betriebsmodell: Jede KI-Nutzung hat eine benannte verantwortliche Person im Fachbereich; das unterstützende Team stellt ein genehmigtes Modell-Gateway mit Logging, eine Bibliothek geprüfter Prompts und Skills und eine Risikoprüfung für mittel- und hochriskante Nutzungen binnen zehn Arbeitstagen bereit; und eine vierteljährliche Portfoliobesprechung entscheidet, welche Pilotphasen skaliert, geändert oder gestoppt werden.

Die Portfoliobesprechung stoppt fünf Pilotphasen, denen eine verantwortliche Person oder eine Kennzahl fehlt, und führt die drei Transkriptionsverträge zu einem zusammen. Für das Sensor-Anomalie-Modell, das Entscheidungen über Verschmutzungsalarme stützt, beauftragt die verantwortliche Person eine Überprüfung der Datenqualität und richtet Monitoring für Drift ein. Die Finanzierung der zwei wertvollsten Systeme wechselt von Projektbudgets zu einem jährlichen Teambudget, einschließlich Nutzungsgebühren.

Bei den Fähigkeiten bietet das Team eine zweistündige praktische Sitzung für alle Mitarbeitenden zur sicheren Nutzung von KI an und einen längeren Kurs für die 40 Menschen, die Systeme bauen oder verantworten. Eine Praxisgemeinschaft trifft sich monatlich. Die Gewerkschaft der Beschäftigten fragt, was KI für Arbeitsplätze bedeutet; der Chief Digital Officer sagt schriftlich zu, dass das Programm binnen zwei Jahren nicht genutzt wird, um Stellen zu streichen, und dass eingesparte Zeit einem Rückstau an Inspektionsarbeit zugutekommt.

Was sich ändert: Die Behörde hat ein Inventar, klare Verantwortliche und einen einzigen Ort, um Hilfe zu erbitten. Was schwierig bleibt: Manche Forschungsgruppen sehen den Prüfweg als Bremse und nutzen weiter informelle Werkzeuge; Nutzungskosten liegen bei zwei Systemen über der Schätzung, und das Budget wurde nicht angepasst; und die Zusage zu Arbeitsplätzen begrenzt Optionen, die die Finanzen offenhalten wollen. Der Chief Digital Officer überprüft vierteljährlich das Tempo des Prüfwegs und das Budget.

Vier Perspektiven

Produkt- und Delivery-Teams

Verantworten Sie Ihre KI-Systeme als Produkte: Backlog, Monitoring, Kosten und Stilllegung. Nutzen Sie gemeinsame Plattformen und die genehmigte Bibliothek. Bitten Sie das unterstützende Team früh um Hilfe.

Service- und Betriebsteams

Beteiligen Sie sich am Betrieb von KI-Systemen und melden Sie, was Sie sehen. Lernen Sie, Ausgaben zu prüfen, und sagen Sie den Verantwortlichen, wenn Sie Drift und Fehler bemerken. Nutzen Sie die gemeinsamen Werkzeuge.

Führung und Governance

Fördern Sie das Modell, weisen Sie Verantwortliche zu und finanzieren Sie beständige Teams und Betriebskosten. Verlangen Sie die Portfolio-Sicht mit Wert und Risiko. Seien Sie ehrlich zu Mitarbeitenden über die Wirkung auf Rollen.

Kunden und Nutzer

Sie sollten wissen, wer für ein KI-System verantwortlich ist, das Sie betrifft, und wie Sie ein Anliegen vorbringen. Fragen Sie, wie Ihr Feedback die verantwortliche Person erreicht.

Agilität, KI, Automatisierung und Analytik

Agilität

Betreiben Sie KI-Produkte mit beständigen Teams, kurzen Zyklen und regelmäßiger Überprüfung mit Nutzern und Beteiligten. Behandeln Sie das Betriebsmodell selbst als etwas, das in kleinen Schritten verbessert wird. Vorsicht: Vermeiden Sie, ein großes KI-Programm mit festem Plan zu starten; beginnen Sie mit wenigen Anwendungsfällen und lernen Sie.

KI

Dieses Thema handelt davon, KI selbst zu steuern: Verantwortliche, Lebenszyklus, Finanzierung und Fähigkeiten. KI kann bei der Portfolioanalyse und Dokumentation helfen, unter Prüfung. Vorsicht: Ein unterstützendes Team, das alles oder nichts genehmigt, verliert Glaubwürdigkeit; richten Sie die Prüfung am Risiko aus. Siehe Thema 5.6 — KI-Governance, Risiko und Compliance.

Automatisierung

Automatisieren Sie in der gemeinsamen Plattform die Einspeisung ins Inventar, die Kostenberichte, das Logging und die Richtlinienprüfungen, damit der sichere Weg auch der leichte ist. Vorsicht: Automatisierung, die Nutzung ohne genehmigte Alternative blockiert, treibt Menschen zu Schattenwerkzeugen. Siehe Thema 6.1 — Automatisierungsstrategie.

Analytik

Verfolgen Sie das Portfolio: Zahl der Nutzungen, Verantwortliche, Kosten je Anwendungsfall, Wertkennzahlen, Incidents, Prüfzeiten und Abdeckung der Fähigkeiten. Vorsicht: Zählungen von KI-Projekten oder geschulten Mitarbeitenden belohnen Aktivität statt Ergebnisse; koppeln Sie sie mit Kennzahlen zu Wert und Qualität. Siehe Thema 7.3 — Messung und Berichtswesen und das Buch Service Management Metrics.

Häufige Fehlermuster

  • Ein Wildwuchs an Werkzeugen. Jedes Team kauft sein eigenes. Führen Sie ein Inventar und konsolidieren Sie.
  • Systeme ohne Verantwortliche. Niemand pflegt oder stoppt sie. Benennen Sie Verantwortliche und überprüfen Sie das Portfolio.
  • Projekte statt Produkte. Teams lösen sich nach dem Start auf. Finanzieren Sie beständige Teams für wichtige Systeme.
  • Ein Zentrum als Torwächter. Das unterstützende Team blockiert Arbeit. Machen Sie es zu einem Service mit Reaktionszielen.
  • Betriebskosten ignoriert. Nutzungsgebühren überraschen das Budget. Beziehen Sie sie von Anfang an ein.
  • Schulung ohne Praxis. Kurse werden besucht, und Gewohnheiten bleiben. Üben Sie an realen Aufgaben.
  • Schweigen über Arbeitsplätze. Angst breitet sich aus. Sagen Sie, was Sie beabsichtigen, und beziehen Sie Mitarbeitende ein.

Reifegradmodell

Dimension Initiieren Entwickeln Standardisieren Steuern Orchestrieren
Verantwortung und Rollen Unklar Fürsprecher Benannte Verantwortliche und Entscheidungsrechte für jedes System Rollen mit Ergebnissen überprüft Rollen über Unternehmen und Partner abgestimmt
Finanzierung und Lebenszyklus Projektgeld Etwas Betriebsfinanzierung Beständige Finanzierung für Schlüsselsysteme, Lebenszyklus definiert Kosten und Wert regelmäßig überprüft Portfolio nach Wert und Risiko finanziert und neu gewichtet
Plattform und Befähigung Einzelne Werkzeuge Geteilte Anleitung Genehmigte Plattform, Bibliothek und Prüfservice Nutzung und Zufriedenheit gemessen Plattform mit Governance und Automatisierung integriert
Fähigkeiten Ad hoc Schulung zum Bewusstsein Rollenbasiertes Lernen mit Praxis Fähigkeiten gegen Bedarf verfolgt Fähigkeiten über die Belegschaft geplant, mit Unterstützung für Wandel

Checkliste

  • Jedes wichtige KI-System hat eine namentlich benannte Product Owner.
  • Rollen und Entscheidungsrechte sind auf einer Seite aufgeschrieben.
  • Ein kleines unterstützendes Team stellt Werkzeuge, Anleitung und Prüfung bereit.
  • Entscheidungen zu bauen, kaufen oder konfigurieren sind festgehalten.
  • Betriebskosten sind budgetiert und werden je Anwendungsfall verfolgt.
  • Gemeinsame Plattform-Services machen den genehmigten Weg leicht.
  • Schulung ist rollenbasiert und enthält Praxis an realen Aufgaben.
  • Wir haben Mitarbeitenden ehrlich gesagt, wie KI ihre Arbeit beeinflusst.

KI-Prompts

Vergleichen Sie bauen, kaufen und konfigurieren.

Our use case: [describe]. Our constraints: [data sensitivity, skills, budget, timeline]. Options: [list].
Draft a comparison table with criteria (total cost over three years, data control, speed, risk of dependency, skills needed, ability to change) and for each option what we know and what we do not know from my description. Do not choose an option or invent costs.
List what you are unsure of.

Entwerfen Sie zur Diskussion ein einseitiges Betriebsmodell.

Our organization: [type, size]. Our AI uses today: [list]. Our governance bodies: [list].
Draft a one-page operating model with roles, decision rights, funding approach, how AI is built or bought, how risk review works, and how skills are built. Mark every assumption and leave [blank] where my description gives no basis.
List what you are unsure of.

Planen Sie Fähigkeiten nach Rolle.

Roles in our team: [list with what each does]. AI uses planned: [list].
For each role, list the skills needed (use of AI, checking outputs, risk, building, data), one practice activity on real work, and one way to see that the skill has grown. Do not name courses or vendors.
List what you are unsure of.

KI-Skills

  • portfolio-management: nutzen Sie ihn, um das KI-Portfolio auf Wert und Risiko zu überprüfen.
  • mlops: nutzen Sie ihn, um Modelle durch ihren Lebenszyklus zu steuern.
  • training-needs-analysis: nutzen Sie ihn, um die Fähigkeiten zu definieren, die jede Rolle braucht.
  • raci-matrix: nutzen Sie ihn, um Rollen und Entscheidungsrechte zu klären.
  • roi-analysis: nutzen Sie ihn, um Kosten und Nutzen von KI-Nutzungen abzuwägen.

Wichtige Quellen

  • NIST, AI Risk Management Framework: eine Struktur, die Governance und organisatorische Rollen einschließt.
  • ISO/IEC 42001 (der Standard selbst): Anforderungen an ein Managementsystem für KI; lesen Sie die aktuelle Ausgabe beim Herausgeber.
  • Marty Cagan, Empowered (2020): zu Produktteams und dazu, wie Organisationen sie unterstützen.
  • Wikipedia, „MLOps“ und „Operating model“: Überblicke über den Lebenszyklus und das Konzept.

Literaturverzeichnis

  1. Operating model — Wikipedia — https://en.wikipedia.org/wiki/Operating_model
  2. MLOps — Wikipedia — https://en.wikipedia.org/wiki/MLOps
  3. Center of excellence — Wikipedia — https://en.wikipedia.org/wiki/Center_of_excellence
  4. Product management — Wikipedia — https://en.wikipedia.org/wiki/Product_management
  5. Cost–benefit analysis — Wikipedia — https://en.wikipedia.org/wiki/Cost%E2%80%93benefit_analysis
  6. Digital literacy — Wikipedia — https://en.wikipedia.org/wiki/Digital_literacy
  7. Community of practice — Wikipedia — https://en.wikipedia.org/wiki/Community_of_practice
  8. Technological unemployment — Wikipedia — https://en.wikipedia.org/wiki/Technological_unemployment
  9. Return on investment — Wikipedia — https://en.wikipedia.org/wiki/Return_on_investment
  10. Proof of concept — Wikipedia — https://en.wikipedia.org/wiki/Proof_of_concept
  11. AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework